Pelacak Kebugaran Anda Menganggap Anda Membakar 847 Kalori. Padahal Sebenarnya 612.

Angka di Pergelangan Tangan Anda Berbohong

Saya menyelesaikan sesi bersepeda 45 menit Selasa lalu. Jam pintar saya memberi selamat: 523 kalori terbakar. Rasanya bagus. Lalu saya teringat studi Stanford yang tersimpan di tab browser saya—yang menunjukkan sensor detak jantung optik melebih-lebihkan pengeluaran energi bersepeda rata-rata 52%. Pembakaran kalori saya yang sebenarnya? Mungkin lebih dekat ke 344 kalori.

Ini bukan masalah kalibrasi kecil. Studi validasi 2025 yang dipublikasikan di Medicine & Science in Sports & Exercise menguji tujuh perangkat wearable populer terhadap kalorimetri tidak langsung (standar emas, mengukur konsumsi oksigen aktual) dan menemukan estimasi berlebihan sistematis di setiap perangkat yang diuji. Setiap. Perangkat. Tunggal.

Kesenjangan antara apa yang dilaporkan pelacak Anda dan apa yang sebenarnya dibakar tubuh Anda memiliki konsekuensi nyata. Orang membuat keputusan makanan berdasarkan angka-angka ini. Mereka menghitung defisit. Mereka bertanya-tanya mengapa perhitungannya tidak cocok.

Mengapa Wearable Salah: Masalah Fisika

Ini sesuatu yang tidak akan diiklankan oleh sebagian besar perusahaan kebugaran: memperkirakan pembakaran kalori dari gerakan pergelangan tangan dan detak jantung itu benar-benar sulit. Seperti, sulit tingkat disertasi PhD.

Jam tangan Anda menggunakan algoritma yang memprediksi pengeluaran energi berdasarkan beberapa input: detak jantung, pola gerakan, dan mungkin usia, berat badan, dan jenis kelamin Anda. Tetapi algoritma ini biasanya divalidasi pada berjalan di treadmill dalam kondisi laboratorium. Kehidupan nyata tidak seperti itu sama sekali.

Masalah mendasarnya adalah detak jantung berkorelasi dengan pengeluaran energi... secara longgar. Detak jantung Anda melonjak saat Anda gugup, minum kafein, dehidrasi, atau menonton film horor. Tidak satu pun dari itu membakar kalori signifikan. Sementara itu, latihan kekuatan dapat membakar energi substansial sambil hampir tidak meningkatkan detak jantung selama periode istirahat.

Analisis 2024 di Journal of Personalized Medicine memeriksa 23 studi validasi dan mengidentifikasi tiga sumber kesalahan utama. Artefak gerakan dari gerakan lengan selama aktivitas seperti bersepeda menciptakan pembacaan akselerometer yang salah. Sensor optik kesulitan dengan warna kulit lebih gelap dan pergelangan tangan bertato. Dan persamaan tingkat populasi sama sekali tidak memperhitungkan variasi metabolik individual, yang dapat berfluktuasi 15% ke arah mana pun.

Tingkat Kesalahan Spesifik per Aktivitas

Tidak semua aktivitas menipu pelacak Anda secara sama. Polanya konsisten di berbagai studi: semakin jauh suatu aktivitas menyimpang dari berjalan atau berlari kondisi stabil, semakin buruk estimasinya.

Berjalan menghasilkan kesalahan terkecil—biasanya estimasi berlebihan 20-28%. Algoritma dibangun untuk ini. Berlari menunjukkan pola serupa, dengan estimasi berlebihan sekitar 25-35% tergantung pada kecepatan dan medan.

Bersepeda adalah tempat hal-hal menjadi aneh. Karena pergelangan tangan Anda tetap relatif diam di setang, data akselerometer menjadi hampir tidak berguna. Perangkat hampir sepenuhnya bergantung pada detak jantung, yang dipengaruhi oleh faktor-faktor seperti posisi bersepeda, hambatan angin, dan apakah Anda mendaki tanjakan atau meluncur. Studi menunjukkan estimasi berlebihan 40-52% untuk bersepeda.

Latihan kekuatan mewakili skenario terburuk. Studi 2025 meminta peserta melakukan sirkuit resistensi standar sambil mengenakan lima perangkat berbeda. Rata-rata estimasi berlebihan: 93%. Satu perangkat melaporkan 412 kalori untuk sesi yang sebenarnya membakar 214. Masalahnya struktural—detak jantung selama angkat beban mencerminkan ketegangan kardiovaskular dari menahan napas dan menegangkan otot, bukan pengeluaran energi aerobik.

Latihan interval intensitas tinggi berada di tengah-tengah, dengan estimasi berlebihan 35-50%. Transisi cepat antara usaha dan istirahat membingungkan algoritma yang mengharapkan pola kondisi stabil.

Variasi Individual Memperburuknya

Rata-rata populasi sudah cukup mengkhawatirkan. Tetapi variasi individual adalah yang benar-benar merusak kepercayaan pada angka-angka ini.

Studi validasi Medicine & Science in Sports & Exercise itu mencakup 147 peserta di berbagai usia, komposisi tubuh, dan tingkat kebugaran. Untuk protokol treadmill 30 menit yang sama, kesalahan perangkat individual berkisar dari -12% (estimasi kurang yang langka) hingga estimasi berlebihan +67%. Perangkat sama. Aktivitas sama. Akurasi sangat berbeda tergantung siapa yang memakainya.

Tingkat kebugaran memainkan peran signifikan. Atlet terlatih cenderung melihat estimasi berlebihan yang lebih besar karena sistem kardiovaskular mereka lebih efisien—mereka membakar lebih sedikit kalori pada detak jantung tertentu dibandingkan orang rata-rata yang diasumsikan algoritma. Satu studi menemukan mantan atlet perguruan tinggi mengalami tingkat kesalahan 41% lebih tinggi daripada peserta yang tidak aktif.

Komposisi tubuh juga penting. Persamaan mengasumsikan persentase lemak tubuh rata-rata. Jika Anda memiliki massa otot lebih banyak dari rata-rata, Anda akan membakar lebih banyak kalori daripada yang diprediksi (estimasi kurang yang langka). Massa lemak lebih banyak dari rata-rata? Pembakaran aktual Anda jatuh di bawah estimasi.

Faktor Koreksi Berbasis Bukti

Peneliti telah mulai menerbitkan faktor koreksi yang dapat membawa estimasi wearable lebih dekat ke kenyataan. Ini tidak sempurna, tetapi lebih baik daripada menerima angka mentah begitu saja.

Untuk berjalan dan berlari, kalikan estimasi kalori perangkat Anda dengan 0,75-0,80. Lari yang dilaporkan 400 kalori menjadi 300-320 kalori aktual. Koreksi ini berlaku di berbagai merek perangkat dalam analisis Journal of Personalized Medicine 2024.

Untuk bersepeda, kalikan dengan 0,65-0,70. Perjalanan 500 kalori itu? Mungkin 325-350.

Untuk latihan kekuatan, koreksinya lebih agresif: kalikan dengan 0,50-0,55. Jam tangan Anda mengatakan 300 kalori? Harapkan 150-165.

Untuk HIIT dan aktivitas campuran, gunakan 0,60-0,70.

Faktor-faktor ini berasal dari membandingkan estimasi wearable dengan kalorimetri tidak langsung di berbagai studi. Ini adalah rata-rata populasi, jadi hasil individual akan bervariasi. Tetapi mereka akan membawa Anda lebih dekat daripada angka mentah.

Apa yang Sebenarnya Bekerja Lebih Baik

Jika akurasi penting bagi Anda—dan untuk manajemen berat badan, mungkin seharusnya—ada alternatif untuk kepercayaan buta pada estimasi berbasis pergelangan tangan.

Monitor detak jantung chest strap meningkatkan akurasi sekitar 15-20% dibandingkan sensor optik pergelangan tangan. Mereka kurang nyaman, tetapi kontak elektroda memberikan data detak jantung yang lebih bersih dengan lebih sedikit artefak gerakan.

Power meter untuk bersepeda mengukur output kerja mekanis aktual. Rata-rata 200 watt selama 45 menit mewakili sekitar 540 kilojoule kerja mekanis, yang diterjemahkan menjadi sekitar 650-700 kalori pengeluaran metabolik (memperhitungkan kehilangan efisiensi). Ini jauh lebih akurat daripada estimasi berbasis detak jantung.

Untuk latihan kekuatan, estimasi berbasis waktu mungkin sebenarnya mengungguli wearable. Riset menunjukkan estimasi kasar 4-6 kalori per menit untuk latihan resistensi intensitas sedang, disesuaikan dengan berat badan. Orang seberat 150 pon yang melakukan angkat beban 40 menit membakar sekitar 160-240 kalori. Tidak presisi, tetapi lebih realistis daripada angka wearable yang digelembungkan.

Pendekatan paling akurat tetap kalorimetri tidak langsung, tetapi itu memerlukan peralatan laboratorium yang berharga puluhan ribu dolar. Beberapa universitas riset dan pusat performa olahraga menawarkan tes metabolik seharga $100-300, yang dapat menetapkan baseline pribadi Anda.

Argumen Data Tren

Produsen wearable sering melawan kritik akurasi dengan menekankan konsistensi relatif. Jam tangan Anda mungkin estimasi berlebihan 30%, tetapi jika estimasi berlebihan dengan jumlah yang kira-kira sama setiap kali, Anda masih dapat melacak tren.

Argumen ini memiliki manfaat. Jika lari Selasa Anda melaporkan 450 kalori dan lari Kamis Anda melaporkan 480 kalori, lari Kamis mungkin memang lebih menuntut—bahkan jika kedua angka digelembungkan. Untuk melacak kemajuan kebugaran selama berminggu-minggu dan berbulan-bulan, estimasi berlebihan yang konsisten tidak terlalu penting daripada kesalahan acak.

Tetapi argumen ini runtuh ketika Anda menggunakan angka-angka ini untuk keputusan nutrisi. Estimasi berlebihan 30% pada pembakaran kalori aktif harian yang dilaporkan 2.400 berarti Anda sebenarnya membakar 1.680 kalori aktif. Jika Anda makan kembali "kalori olahraga" Anda, itu surplus harian 720 kalori. Selama seminggu, itu adalah kenaikan lemak satu pon alih-alih pemeliharaan yang Anda harapkan.

Argumen tren juga mengasumsikan tingkat kesalahan konsisten di berbagai aktivitas. Tetapi jika Anda melakukan lebih banyak bersepeda satu minggu dan lebih banyak berlari minggu berikutnya, profil kesalahan bergeser. Estimasi berlebihan yang "konsisten" menjadi tidak konsisten.

Ke Mana Teknologi Ini Menuju

Generasi berikutnya dari wearable mungkin mengatasi beberapa keterbatasan ini. Beberapa perusahaan mengembangkan pendekatan multi-sensor yang menggabungkan detak jantung optik dengan suhu kulit, respons kulit galvanik, dan saturasi oksigen darah. Teorinya adalah bahwa beberapa sinyal fisiologis dapat membedakan permintaan metabolik sejati dari faktor-faktor yang membingungkan.

Model pembelajaran mesin yang dilatih pada dataset yang lebih besar dan lebih beragam menunjukkan harapan dalam riset awal. Studi pilot 2025 menggunakan algoritma yang dipersonalisasi—dilatih pada data tes metabolik individu sendiri—mengurangi kesalahan estimasi menjadi 12-15% di berbagai aktivitas. Tangkapannya: itu memerlukan sesi kalibrasi awal dengan peralatan laboratorium.

Beberapa peneliti mengeksplorasi pemantauan glukosa berkelanjutan sebagai proksi untuk pengeluaran energi. Pemanfaatan glukosa berkorelasi dengan tingkat metabolik, dan teknologi CGM telah menjadi semakin akurat. Studi awal menunjukkan potensi, meskipun hubungannya cukup kompleks sehingga kita mungkin bertahun-tahun dari aplikasi konsumen.

Untuk saat ini, jawaban jujurnya adalah bahwa estimasi kalori berbasis pergelangan tangan memiliki keterbatasan mendasar yang hanya dapat diatasi sebagian oleh algoritma yang lebih baik.

Berdamai Dengan Data yang Tidak Sempurna

Saya masih memakai pelacak kebugaran saya. Hitungan langkah cukup akurat. Tren detak jantung membantu saya menyadari ketika saya overtraining atau sakit. Tahapan tidur adalah... yah, itu artikel lain.

Tetapi saya telah berhenti memperlakukan angka kalori sebagai data yang dapat ditindaklanjuti. Ketika jam tangan saya melaporkan latihan 600 kalori, saya secara mental mencatat "mungkin 400-450" dan melanjutkan. Saya tidak makan kembali kalori olahraga. Saya tidak menghitung defisit yang presisi.

Teknologi memberi kita ilusi presisi—empat angka signifikan pada angka yang mungkin meleset 30%. Kepercayaan diri palsu itu mungkin lebih buruk daripada tidak ada data sama sekali, karena mendorong keputusan berdasarkan input yang salah.

Sampai akurasi wearable meningkat secara substansial, pendekatan paling berguna mungkin memperlakukan perangkat ini sebagai apa adanya: indikator tren kasar, bukan laboratorium metabolik. Tubuh Anda membakar kalori. Jam tangan Anda menebak berapa banyak. Itu adalah hal yang berbeda.